Abstract
Populiarėjant saulės baterijų naudojimui didėja ir duomenų poreikis planavimui bei valdymui. Deja, šie duomenys sunkiai prieinami arba neegzistuoja, o resursai, skirti segmentavimo modelių mokymui, yra apriboti ir plėtimui reikia daug išteklių. Šiame darbe panaudotas pix2pix generatyvinis besivaržantis tinklas naujų nuotraukų generavimui iš turimų duomenų, padidinant mokymo išteklių DeepLabV3 segmentavimo modeliui kiekį. Naudojant žinių perkėlimą, modelio adaptavimą bei 60% sugeneruotų nuotolinio stebėjimo nuotraukų kaip papildomus mokymo duomenis, padidintas aptiktų kolektorių kiekis, modelio tikslumas (angl. accuracy) padidintas 0.78%, taiklumas (angl. precision) – 3.41%, jautrumas (angl. sensitivity) – 2.49%, F1 metrika – 2.71%, IoU (intersect over union) metrika – 3.19%, o nuostoliai (angl. loss) sumažėjo 0.0282.
Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callSimilar Papers
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
